1、 内 容 简 介 本书采用生动活泼的语言，从入门者的角度，讲解了 Python 语言和 sklearn 模块库内置的各种经典机器学习算法；介绍了股市外汇、比特币等实盘交易数据在金融量化方面的具体分析与应用，包括对未来股票价格的预测、大盘指数趋势分析等。简单风趣的实际案例让广大读者能够快速掌握机器学习在量化分析方面的编程，为进一步学习金融科技奠定扎实的基础。未经许可，不得以任何方式复制或抄袭本书之部分或全部内容。版权所有，侵权必究。图书在版编目（CIP）数据 Python 机器学习与量化投资何海群著.北京：电子工业出版社，2018.12（金融科技丛书）ISBN 978-7-121-35210-2
2、 .P .何 .软件工具程序设计 .TP311.561 中国版本图书馆 CIP 数据核字（2018）第 238872 号 策划编辑：黄爱萍 责任编辑：张彦红 印 刷：三河市双峰印刷装订有限公司 装 订：三河市双峰印刷装订有限公司 出版发行：电子工业出版社 北京市海淀区万寿路 173 信箱 邮编：100036 开 本：7201000 1/16 印张：18.75 字数：270 千字 版 次：2018 年 12 月第 1 版 印 次：2018 年 12 月第 1 次印刷 定 价：79.00 元 凡所购买电子工业出版社图书有缺损问题，请向购买书店调换。若书店售缺，请与本社发行部联系，联系及邮购电话：（
3、010）88254888，88258888。质量投诉请发邮件至 ，盗版侵权举报请发邮件至 。本书咨询联系方式：（010）51260888-819，。前 言 本书特色 本书全程采用黑箱模式和 MBA 案例模式，结合大量经典案例，介绍sklearn 机器学习模块库和常用的机器学习算法，懂 Excel 就能看懂本书；逆向式课件模式，结合大量案例、图表，层层剖析；三位一体的课件模式：图书+开发平台+成套的教学案例，系统讲解、逐步深入。本书是零起点 Python 机器学习快速入门的后续之作，为了节省篇幅，省略了 Python 基础教程，以及 sklearn 等机器学习方面的入门内容，没有经验的读者，建议
4、先阅读零起点 Python 机器学习快速入门，再阅读本书，这样会收到事半功倍的效果。本书简单实用，书中配备大量的图表说明，本书特点如下。?IT 零起点：无须任何电脑编程基础，只要会打字、会使用 Excel，就能看懂本书，利用本书配套的 Python 软件包，轻松学会如何利用 Python对股票数据进行专业分析和量化投资分析。?投资零起点：无须购买任何专业软件，本书配套的 zwPython 软件包，采用开源模式，提供 100%全功能、全免费的工业级数据分析平台。Python 机器学习与量化投资 IV?配置零起点：所有软件、数据全部采用“开箱即用”模式，绿色版本，无须安装，解压缩后即可直接运行系统
5、。?理财零起点：采用通俗易懂的语言，配合大量专业的图表和实盘操作案例，无须任何专业金融背景，轻松掌握各种量化投资策略。?数学零起点：全书没有任何复杂的数学公式，只有最基本的加、减、乘、除，轻轻松松就能看懂全书。网络资源 本书的案例程序，已经做过优化处理，无须 GPU 显卡，全部支持单CPU 平台，不过为避免版本冲突，请尽量使用 zwPython2017m6 版本运行本书的案例程序。使用其他运行环境的读者，如 Linux、Mac 平台的用户，请尽量使用Python 3 版本，自行安装其他所需的模块库，如 Numpy、Pandas、Tushare等第三方模块库。此外需要注意的是，大家运行本书案例得
6、到的结果可能与书中略有差别；甚至多次运行同一案例，结果都有所差异。这属于正常情况，因为很多机器学习函数，内部使用了随机数作为种子数，用于系统变量初始化等操作，每次分析的起点或者中间参数会有所不同。版本冲突是开源项目常见的问题，为了解决这个问题，本书的源码是独立保存的。此外，我们还特意设计了 zwPython 教学版。建议初学者先使用 zwPython 教学版，有关的课件程序，已经经过版本兼容测试，并且集成了 zwDat 金融数据集。本书的读者 QQ 互动群：QQ 1 群的群号是 124134140；QQ 2 群的群号是 650924099；QQ 3 群的群号是 450853713。资源下载地址
7、：TopQuant 极宽量化网站“资源中心”。前言 V 请浏览以下网站，获取最新的网络资源地址：?TopQuant.vip 极宽量化社区? 字王网站 目前两个网站的指向都是一样的。另外还可以在博文视点网站下载：http:/。目录设置 为运行本书课件程序，用户需要下载以下三个软件，并设置好目录：?zwPython，必须放在根目录，是 Python 开发平台，为避免版本冲突，请尽量使用 zwPython2017m6 版本。?kb_demo，本书 sklearn 机器学习配套课件源码。?pg_demo，本书 Python 入门学习配套课件源码。以上软件、程序最好保存在固态硬盘，这样速度会快很多；目录
8、名称不要使用中文名称，压缩文件当中的中文名称只是为了便于用户下载。zwPython 开发平台必须放在根目录，课件程序可以放在其他自定义目录，建议放在 zwPython 目录下面，作为二级目录。致谢 特别感谢电子工业出版社的黄爱萍和陈林编辑在选题策划和稿件整理方面所做的大量工作。同时，在本书创作过程中，极宽开源量化团队和培训班的全体成员提出很多宝贵的意见，并对部分课件程序做了中文注解。Python 机器学习与量化投资 VI 特别是吴娜、余勤、邢梦来、孙励、王硕几位成员，为 TOP 极宽开源量化文库和开源软件编写文档，以及在团队成员管理方面做了大量工作，对他们的付出表示感谢。何海群（字王）TOP
9、极宽量化开源组发起人 2018 年 10 月 1 日 轻松注册成为博文视点社区用户（），扫码直达本书页面。?下载资源：本书如提供示例代码及资源文件，均可在 下载资源 处下载。?提交勘误：您对书中内容的修改意见可在 提交勘误 处提交，若被采纳，将获赠博文视点社区积分（在您购买电子书时，积分可用来抵扣相应金额）。?交流互动：在页面下方 读者评论 处留下您的疑问或观点，与我们和其他读者一同学习交流。页面入口：http:/ 目 录 第 1 章 Python 与机器学习.1 1.1 scikit-learn 模块库.2 1.1.1 scikit-learn 的缺点.3 1.1.2 scikit-lear
10、n 算法模块.4 1.1.3 scikit-learn 六大功能.5 1.2 开发环境搭建.8 1.2.1 AI 领域的标准编程语言：Python.8 1.2.2 zwPython：难度降低 90%，性能提高 10 倍.9 1.2.3“零对象”编程模式.11 1.2.4 开发平台搭建.12 1.2.5 程序目录结构.12 案例 1-1：重点模块版本测试.13 1.3 机器学习：从忘却开始.17 1.4 学习路线图.20 第 2 章 机器学习编程入门.21 2.1 经典机器学习算法.21 2.2 经典爱丽丝.22 案例 2-1：经典爱丽丝.24 Python 机器学习与量化投资 VIII 案例
11、2-2：爱丽丝进化与文本矢量化.26 2.3 机器学习算法流程.28 2.4 机器学习数据集.28 案例 2-3：爱丽丝分解.29 2.5 数据切割函数.33 2.6 线性回归算法.34 案例 2-4：爱丽丝回归.35 第 3 章 金融数据的预处理.40 3.1 至简归一法.40 案例 3-1：麻烦的外汇数据.41 案例 3-2：尴尬的日元.45 案例 3-3：凶残的比特币.49 3.2 股票池与 Rebase.51 3.2.1 股票池.51 3.2.2 Rebase 与归一化.52 案例 3-4：股票池 Rebase 归一化.53 3.3 金融数据切割.57 案例 3-5：当上证遇到机器学习
12、.58 3.4 preprocessing 模块.63 案例 3-6：比特币与标准化.65 案例 3-7：比特币与归一化.69 第 4 章 机器学习快速入门.72 4.1 回归算法.72 4.2 LR 线性回归模型.73 案例 4-1：上证指数之 LR 回归事件.76 4.3 常用评测指标.81 4.4 多项式回归.83 案例 4-2：上证指数的多项式故事.83 目录 IX 案例 4-3：预测比特币价格.86 4.5 逻辑回归算法模型.87 案例 4-4：上证指数预测逻辑回归版.88 第 5 章 模型验证优化.96 5.1 交叉验证评估器.96 案例 5-1：交叉验证.98 5.2 交叉验证评
13、分.101 案例 5-2：交叉验证评分.101 第 6 章 决策树.103 6.1 决策树算法.103 6.1.1 ID3 算法与 C4.5 算法.105 6.1.2 常用决策树算法.106 6.1.3 sklearn 内置决策树算法.107 6.2 决策树回归函数.109 案例 6-1：决策树回归算法.110 6.3 决策树分类函数.115 案例 6-2：决策树分类算法.116 6.4 GBDT 算法.121 6.5 迭代决策树函数.122 案例 6-3：GBDT 回归算法.123 案例 6-4：GBDT 分类算法.128 第 7 章 随机森林算法和极端随机树算法.133 7.1 随机森林函
14、数.135 7.2 决策树测试框架.137 案例 7-1：RF 回归算法大测试.138 7.3 决策树测试函数.140 案例 7-2：上证的 RF 回归频道.142 案例 7-3：当比特币碰到 RF 回归算法.146 Python 机器学习与量化投资 X 案例 7-4：上证和 RF 分类算法.147 7.4 极端随机树算法.150 7.5 极端随机树函数.151 案例 7-5：极端随机树回归算法.152 案例 7-6：上证指数案例应用.154 案例 7-7：ET、比特币，谁更极端.155 第 8 章 机器学习算法模式.159 8.1 学习模式.161 8.2 机器学习五大流派.164 8.3
15、经典机器学习算法.165 8.4 小结.166 第 9 章 概率编程.167 9.1 朴素贝叶斯的上证之旅.168 案例 9-1：上证朴素贝叶斯算法.170 9.2 隐马尔可夫模型.175 案例 9-2：HMM 模型与模型保存.176 案例 9-3：HMM 算法与模型读取.180 第 10 章 实例算法.185 K 最近邻算法.186 案例 10-1：第一次惊喜KNN 算法.187 案例 10-2：KNN 分类.190 第 11 章 正则化算法.192 11.1 岭回归算法.193 案例 11-1：新高度岭回归算法.195 11.2 套索回归算法.197 案例 11-2：套索回归算法应用.19
16、9 11.3 弹性网络算法.201 目录 XI 案例 11-3：弹性网络算法应用.202 11.4 最小角回归算法.204 案例 11-4：LARS 算法应用.204 第 12 章 聚类分析.206 12.1 K 均值算法.207 案例 12-1：K 均值算法应用.208 12.2 BIRCH 算法.210 案例 12-2：BIRCH 算法应用.211 12.3 小结.213 第 13 章 降维算法.215 13.1 主成分分析.216 案例 13-1：主成分分析的应用.218 案例 13-2：PCA 算法的上证戏法.223 13.2 奇异值分解算法.227 案例 13-3：奇异果传说：SVD.228 第 14 章 集成算法.229 14.1 sklearn 内置集成算法.231 14.2 装袋算法.232 案例 14-1：装袋回归算法.232 案例 14-2：装袋分类算法.234 14.3 AdaBoost 迭代算法.236 案例 14-3：AdaBoost 迭代回归算法.237 案例 14-4：AdaBoost 迭代分类算法.239 第 15 章 支持向量机.242 15.1 支持